简介

python中matplotlib是非常重要并且方便的图形化工具，使用matplotlib可以可视化的进行数据分析，今天本文将会详细讲解Pandas中的matplotlib应用。

基础画图

要想使用matplotlib，我们需要引用它：

In [1]: import matplotlib.pyplot as plt

假如我们要从2020年1月1日开始，随机生成365天的数据，然后作图表示应该这样写：

ts = pd.Series(np.random.randn(365), index=pd.date_range("1/1/2020", periods=365))ts.plot()

使用DF可以同时画多个Series的图像：

df3 =  pd.DataFrame(np.random.randn(365, 4), index=ts.index, columns=list("ABCD"))df3= df3.cumsum()df3.plot()

可以指定行和列使用的数据：

df3 = pd.DataFrame(np.random.randn(365, 2), columns=["B", "C"]).cumsum()df3["A"] = pd.Series(list(range(len(df))))df3.plot(x="A", y="B");

其他图像

plot() 支持很多图像类型，包括bar, hist, box, density, area, scatter, hexbin, pie等，下面我们分别举例子来看下怎么使用。

bar

 df.iloc[5].plot(kind="bar");

多个列的bar：

df2 = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])df2.plot.bar();

stacked bar

df2.plot.bar(stacked=True);

barh

barh 表示横向的bar图：

df2.plot.barh(stacked=True);

Histograms

df2.plot.hist(alpha=0.5);

box

df.plot.box();

box可以自定义颜色：

color = {....:     "boxes": "DarkGreen",....:     "whiskers": "DarkOrange",....:     "medians": "DarkBlue",....:     "caps": "Gray",....: }df.plot.box(color=color, sym="r+");

可以转成横向的：

df.plot.box(vert=False);

除了box，还可以使用DataFrame.boxplot来画box图：

In [42]: df = pd.DataFrame(np.random.rand(10, 5))In [44]: bp = df.boxplot()

boxplot可以使用by来进行分组：

df = pd.DataFrame(np.random.rand(10, 2), columns=["Col1", "Col2"])df
Out[90]: Col1      Col2
0  0.047633  0.150047
1  0.296385  0.212826
2  0.562141  0.136243
3  0.997786  0.224560
4  0.585457  0.178914
5  0.551201  0.867102
6  0.740142  0.003872
7  0.959130  0.581506
8  0.114489  0.534242
9  0.042882  0.314845df.boxplot()

现在给df加一列：

 df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])df
Out[92]: Col1      Col2  X
0  0.047633  0.150047  A
1  0.296385  0.212826  A
2  0.562141  0.136243  A
3  0.997786  0.224560  A
4  0.585457  0.178914  A
5  0.551201  0.867102  B
6  0.740142  0.003872  B
7  0.959130  0.581506  B
8  0.114489  0.534242  B
9  0.042882  0.314845  Bbp = df.boxplot(by="X")

Area

使用 Series.plot.area() 或者 DataFrame.plot.area() 可以画出area图。

In [60]: df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])In [61]: df.plot.area();

如果不想叠加，可以指定stacked=False

In [62]: df.plot.area(stacked=False);

Scatter

DataFrame.plot.scatter() 可以创建点图。

In [63]: df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])In [64]: df.plot.scatter(x="a", y="b");

scatter图还可以带第三个轴：

 df.plot.scatter(x="a", y="b", c="c", s=50);

可以将第三个参数变为散点的大小：

df.plot.scatter(x="a", y="b", s=df["c"] * 200);

Hexagonal bin

使用 DataFrame.plot.hexbin() 可以创建蜂窝图：

In [69]: df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"])In [70]: df["b"] = df["b"] + np.arange(1000)In [71]: df.plot.hexbin(x="a", y="b", gridsize=25);

默认情况下颜色深度表示的是（x，y）中元素的个数，可以通过reduce_C_function来指定不同的聚合方法：比如 mean, max, sum, std.

In [72]: df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"])In [73]: df["b"] = df["b"] = df["b"] + np.arange(1000)In [74]: df["z"] = np.random.uniform(0, 3, 1000)In [75]: df.plot.hexbin(x="a", y="b", C="z", reduce_C_function=np.max, gridsize=25);

Pie

使用 DataFrame.plot.pie() 或者 Series.plot.pie()来构建饼图：

In [76]: series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="series")In [77]: series.plot.pie(figsize=(6, 6));

可以按照列的个数分别作图：

In [78]: df = pd.DataFrame(....:     3 * np.random.rand(4, 2), index=["a", "b", "c", "d"], columns=["x", "y"]....: )....: In [79]: df.plot.pie(subplots=True, figsize=(8, 4));

更多定制化的内容：

In [80]: series.plot.pie(....:     labels=["AA", "BB", "CC", "DD"],....:     colors=["r", "g", "b", "c"],....:     autopct="%.2f",....:     fontsize=20,....:     figsize=(6, 6),....: );

如果传入的value值加起来不是1，那么会画出一个伞形：

In [81]: series = pd.Series([0.1] * 4, index=["a", "b", "c", "d"], name="series2")In [82]: series.plot.pie(figsize=(6, 6));

在画图中处理NaN数据

下面是默认画图方式中处理NaN数据的方式：

画图方式	处理NaN的方式
Line	Leave gaps at NaNs
Line (stacked)	Fill 0’s
Bar	Fill 0’s
Scatter	Drop NaNs
Histogram	Drop NaNs (column-wise)
Box	Drop NaNs (column-wise)
Area	Fill 0’s
KDE	Drop NaNs (column-wise)
Hexbin	Drop NaNs
Pie	Fill 0’s

其他作图工具

散点矩阵图Scatter matrix

可以使用pandas.plotting中的scatter_matrix来画散点矩阵图：

In [83]: from pandas.plotting import scatter_matrixIn [84]: df = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"])In [85]: scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal="kde");

密度图Density plot

使用 Series.plot.kde() 和 DataFrame.plot.kde() 可以画出密度图：

In [86]: ser = pd.Series(np.random.randn(1000))In [87]: ser.plot.kde();

安德鲁斯曲线Andrews curves

安德鲁斯曲线允许将多元数据绘制为大量曲线，这些曲线是使用样本的属性作为傅里叶级数的系数创建的. 通过为每个类对这些曲线进行不同的着色，可以可视化数据聚类。 属于同一类别的样本的曲线通常会更靠近在一起并形成较大的结构。

In [88]: from pandas.plotting import andrews_curvesIn [89]: data = pd.read_csv("data/iris.data")In [90]: plt.figure();In [91]: andrews_curves(data, "Name");

平行坐标Parallel coordinates

平行坐标是一种用于绘制多元数据的绘制技术。 平行坐标允许人们查看数据中的聚类，并直观地估计其他统计信息。 使用平行坐标点表示为连接的线段。 每条垂直线代表一个属性。 一组连接的线段代表一个数据点。 趋于聚集的点将显得更靠近。

In [92]: from pandas.plotting import parallel_coordinatesIn [93]: data = pd.read_csv("data/iris.data")In [94]: plt.figure();In [95]: parallel_coordinates(data, "Name");

滞后图lag plot

滞后图是用时间序列和相应的滞后阶数序列做出的散点图。可以用于观测自相关性。

In [96]: from pandas.plotting import lag_plotIn [97]: plt.figure();In [98]: spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000)In [99]: data = pd.Series(0.1 * np.random.rand(1000) + 0.9 * np.sin(spacing))In [100]: lag_plot(data);

自相关图Autocorrelation plot

自相关图通常用于检查时间序列中的随机性。 自相关图是一个平面二维坐标悬垂线图。横坐标表示延迟阶数，纵坐标表示自相关系数。

In [101]: from pandas.plotting import autocorrelation_plotIn [102]: plt.figure();In [103]: spacing = np.linspace(-9 * np.pi, 9 * np.pi, num=1000)In [104]: data = pd.Series(0.7 * np.random.rand(1000) + 0.3 * np.sin(spacing))In [105]: autocorrelation_plot(data);

Bootstrap plot

bootstrap plot用于直观地评估统计数据的不确定性，例如均值，中位数，中间范围等。从数据集中选择指定大小的随机子集，为该子集计算出相关统计信息， 重复指定的次数。 生成的图和直方图构成了引导图。

In [106]: from pandas.plotting import bootstrap_plotIn [107]: data = pd.Series(np.random.rand(1000))In [108]: bootstrap_plot(data, size=50, samples=500, color="grey");

RadViz

他是基于弹簧张力最小化算法。它把数据集的特征映射成二维目标空间单位圆中的一个点，点的位置由系在点上的特征决定。把实例投入圆的中心，特征会朝圆中此实例位置（实例对应的归一化数值）“拉”实例。

In [109]: from pandas.plotting import radvizIn [110]: data = pd.read_csv("data/iris.data")In [111]: plt.figure();In [112]: radviz(data, "Name");

图像的格式

matplotlib 1.5版本之后，提供了很多默认的画图设置，可以通过matplotlib.style.use(my_plot_style)来进行设置。

可以通过使用matplotlib.style.available来列出所有可用的style类型：

import matplotlib as plt;plt.style.available
Out[128]:
['seaborn-dark','seaborn-darkgrid','seaborn-ticks','fivethirtyeight','seaborn-whitegrid','classic','_classic_test','fast','seaborn-talk','seaborn-dark-palette','seaborn-bright','seaborn-pastel','grayscale','seaborn-notebook','ggplot','seaborn-colorblind','seaborn-muted','seaborn','Solarize_Light2','seaborn-paper','bmh','seaborn-white','dark_background','seaborn-poster','seaborn-deep']

去掉小图标

默认情况下画出来的图会有一个表示列类型的图标，可以使用legend=False禁用：

In [115]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD"))In [116]: df = df.cumsum()In [117]: df.plot(legend=False);

设置label的名字

In [118]: df.plot();In [119]: df.plot(xlabel="new x", ylabel="new y");

缩放

画图中如果X轴或者Y轴的数据差异过大，可能会导致图像展示不友好，数值小的部分基本上无法展示，可以传入logy=True进行Y轴的缩放：

In [120]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))In [121]: ts = np.exp(ts.cumsum())In [122]: ts.plot(logy=True);

多个Y轴

使用secondary_y=True 可以绘制多个Y轴数据：

In [125]: plt.figure();In [126]: ax = df.plot(secondary_y=["A", "B"])In [127]: ax.set_ylabel("CD scale");In [128]: ax.right_ax.set_ylabel("AB scale");

小图标上面默认会添加right字样，想要去掉的话可以设置mark_right=False：

In [129]: plt.figure();In [130]: df.plot(secondary_y=["A", "B"], mark_right=False);

坐标文字调整

使用时间做坐标的时候，因为时间太长，导致x轴的坐标值显示不完整，可以使用x_compat=True 来进行调整：

In [133]: plt.figure();In [134]: df["A"].plot(x_compat=True);

如果有多个图像需要调整，可以使用with：

In [135]: plt.figure();In [136]: with pd.plotting.plot_params.use("x_compat", True):.....:     df["A"].plot(color="r").....:     df["B"].plot(color="g").....:     df["C"].plot(color="b").....:

子图

绘制DF的时候，可以将多个Series分开作为子图显示：

In [137]: df.plot(subplots=True, figsize=(6, 6));

可以修改子图的layout：

df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False);

上面等价于：

In [139]: df.plot(subplots=True, layout=(2, -1), figsize=(6, 6), sharex=False);

一个更复杂的例子：

In [140]: fig, axes = plt.subplots(4, 4, figsize=(9, 9))In [141]: plt.subplots_adjust(wspace=0.5, hspace=0.5)In [142]: target1 = [axes[0][0], axes[1][1], axes[2][2], axes[3][3]]In [143]: target2 = [axes[3][0], axes[2][1], axes[1][2], axes[0][3]]In [144]: df.plot(subplots=True, ax=target1, legend=False, sharex=False, sharey=False);In [145]: (-df).plot(subplots=True, ax=target2, legend=False, sharex=False, sharey=False);

画表格

如果设置table=True ， 可以直接将表格数据一并显示在图中：

In [165]: fig, ax = plt.subplots(1, 1, figsize=(7, 6.5))In [166]: df = pd.DataFrame(np.random.rand(5, 3), columns=["a", "b", "c"])In [167]: ax.xaxis.tick_top()  # Display x-axis ticks on top.In [168]: df.plot(table=True, ax=ax)fig

table还可以显示在图片上面：

In [172]: from pandas.plotting import tableIn [173]: fig, ax = plt.subplots(1, 1)In [174]: table(ax, np.round(df.describe(), 2), loc="upper right", colWidths=[0.2, 0.2, 0.2]);In [175]: df.plot(ax=ax, ylim=(0, 2), legend=None);

使用Colormaps

如果Y轴的数据太多的话，使用默认的线的颜色可能不好分辨。这种情况下可以传入colormap 。

In [176]: df = pd.DataFrame(np.random.randn(1000, 10), index=ts.index)In [177]: df = df.cumsum()In [178]: plt.figure();In [179]: df.plot(colormap="cubehelix");

本文已收录于 http://www.flydean.com/09-python-pandas-plot/

最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！

Pandas高级教程之:plot画图详解相关推荐

1. GSAP教程之gsap.utils详解

   gsap.utils提供了非常实用的方法集合,其中过很多可以返回函数,以便直接在tween中使用,特别是多对象动画时,将会每个目标调用一次,而不是为每个目标使用相同值. 例子: 为每个目标动画调用ra ...

2. Pandas高级教程之:处理text数据

   文章目录 简介 创建text的DF String 的方法 columns的String操作 分割和替换String String的连接 使用 .str来index extract extractall ...

3. Pandas高级教程之:GroupBy用法

   文章目录 简介 分割数据 多index get_group dropna groups属性 index的层级 group的遍历 聚合操作 通用聚合方法 同时使用多个聚合方法 NamedAgg 不同的列 ...

4. Pandas高级教程之:统计方法

   文章目录 简介 变动百分百 Covariance协方差 Correlation相关系数 rank等级 简介 数据分析中经常会用到很多统计类的方法,本文将会介绍Pandas中使用到的统计方法. 变动百分 ...

5. Pandas高级教程之:category数据类型

   文章目录 简介 创建category 使用Series创建 使用DF创建 创建控制 转换为原始类型 categories的操作 获取category的属性 重命名categories 使用**add_ ...

6. Pandas高级教程之:处理缺失数据

   文章目录 简介 NaN的例子 整数类型的缺失值 Datetimes 类型的缺失值 None 和 np.nan 的转换 缺失值的计算 使用fillna填充NaN数据 使用dropna删除包含NA的数据 ...

7. Pandas高级教程之:自定义选项

   文章目录 简介 常用选项 get/set 选项 经常使用的选项 最大展示行数 超出数据展示 最大列的宽度 显示精度 零转换的门槛 列头的对齐方向 简介 pandas有一个option系统可以控制pan ...

8. Python数据分析库pandas高级接口dt的使用详解

   Series对象和DataFrame的列数据提供了cat.dt.str三种属性接口(accessors),分别对应分类数据.日期时间数据和字符串数据,通过这几个接口可以快速实现特定的功能,本文着重讨论 ...

9. maven provided_Maven 教程之 pom.xml 详解

   点击上方"Java知音",选择"置顶公众号" 技术文章第一时间送达! 作者:dunwu https://github.com/dunwu/blog 推荐阅读(点 ...

最新文章

1. 软件工程实践第一次作业
2. VBA类之一(初识类)
3. 安卓开发笔记（十）：升级ListView为RecylerView的使用
4. 我将其名称作为字符串时如何执行JavaScript函数
5. python设置多级标题_Mac Office Word设置多级标题
6. DOS CMD 设置环境变量
7. Win10的一些快捷键
8. HP UINX磁带管理
9. MATLAB求解偏导数
10. android 音量调节不起作用,Android音量控制
11. H3C交换机WEB管理时间_H3C 交换机之VLAN配置与VLAN间访问
12. 【安信可首款4G模组CA-01直连阿里物联网平台②】一机一密认证方式连接
13. Java程序员“金三银四“就一定要出去面试吗？
14. 怎样恢复计算机到桌面,电脑任务栏怎么还原到下面 电脑任务栏还原方法【图文】...
15. 工控协议（二）：Modbus TCP/IP 学习笔记
16. 2019南昌网络赛 H. The Nth Item（广义斐波那契数列求通项公式模板）（二次剩余+分块）
17. I'm a pc - I'm a mac ：FIT
18. 创新案例｜语言教育App头牌Duolingo如何重新点燃用户增长350%
19. 2022年全球与中国光通信芯片市场现状及未来发展趋势
20. 温度热电阻Pt100转电流电压信号分配器，转换器

热门文章

1. SENetSKNet 解读
2. android 单位转换工具,Android单位转换----常用单位转换工具类
3. 04-树7 二叉搜索树的操作集(c语言实现)
4. QT乱码总结1.Unicode 和 UTF-8
5. UDP用打洞技术穿透NAT的原理与实现
6. 什么代码才是线程安全的
7. Google Hangouts支持使用Firefox WebRTC
8. Golang 单元测试详尽指引
9. 我不是码神！Serverless真的可以为所欲为？
10. 亲加通讯云郝飞：探讨直播低延迟低流量的粉丝连麦技术